Bruxelles vuole portare nell’AI una logica già familiare al mercato europeo: rendere confrontabile l’efficienza energetica. Non significa, almeno per ora, appiccicare una semplice lettera da A a G a ogni chatbot o modello generativo. Il cantiere aperto dalla Commissione europea punta prima di tutto a costruire un framework di misurazione credibile per consumi, emissioni ed efficienza di modelli e sistemi di AI, così da dare sostanza agli obblighi di trasparenza già previsti dall’AI Act e valutare poi una possibile etichetta energetica e delle emissioni.
Per chi compra, integra o governa l’AI in azienda, il tema è meno teorico di quanto sembri. Se il costo dell’AI si sposta sempre più dall’addestramento alla fase di inferenza, cioè all’uso quotidiano dei modelli in produzione, la differenza tra un sistema efficiente e uno energivoro può incidere su spesa cloud, scelte architetturali, compliance ESG e procurement. La consultazione europea, pubblicata il 7 aprile 2026, va letta in questa chiave.
Indice degli argomenti:
Perché l’UE si muove adesso sull’etichetta energetica AI
La spinta arriva da due fattori. Il primo è normativo. L’AI Act già impone ai provider di general-purpose AI models (GPAI) di includere nella documentazione tecnica anche il consumo energetico noto o stimato del modello. Le linee guida della Commissione chiariscono che questi obblighi sono entrati in applicazione il 2 agosto 2025, mentre i poteri di enforcement della Commissione scatteranno il 2 agosto 2026.
Il secondo fattore è infrastrutturale. Nel rapporto Energy and AI del 2025, l’International Energy Agency, organizzazione intergovernativa che monitora i mercati energetici, stima che i data center abbiano assorbito 415 TWh di elettricità nel 2024, pari a circa l’1,5% dei consumi mondiali, e che possano arrivare a 945 TWh nel 2030. L’AI è indicata come il principale motore di crescita insieme agli altri servizi digitali. In altre parole, il tema non è più solo la trasparenza verso regolatori e investitori: riguarda la tenuta energetica della nuova infrastruttura computazionale.
Etichetta energetica AI: a che punto è davvero il progetto
Qui serve una distinzione netta. L’etichetta non esiste ancora come obbligo operativo europeo. Esiste invece un percorso formale che la prepara. La consultazione lanciata dalla Commissione rientra in uno studio più ampio, avviato con una gara pubblica pubblicata l’8 agosto 2024, con quattro obiettivi: stimare l’impronta carbonica dell’AI, sviluppare un framework di misurazione, individuare un modello di governance e promuovere buone pratiche di AI efficiente e low-emission.
La consultazione pubblica è stata aperta il 7 aprile 2026. La manifestazione di interesse si è chiusa il 25 maggio 2026; i soggetti registrati e validati possono compilare il questionario fino al 1 giugno 2026. Questo passaggio conta perché segnala che Bruxelles non sta lavorando solo su una dichiarazione di principio: sta chiedendo a vendor, imprese, cloud provider e fornitori di infrastruttura quali dati siano davvero disponibili, con quale granularità e con quali costi di raccolta.
Cosa vuole misurare Bruxelles
Il questionario allegato alla consultazione è istruttivo perché mostra il perimetro reale dell’iniziativa. La Commissione non guarda soltanto ai kWh finali. Il framework in sviluppo considera almeno quattro strati:
| Etichetta energetica AI: i dati che Bruxelles vuole rendere confrontabili | |
|---|---|
| Risorse computazionali | FLOPs, precisione di calcolo, potenza assorbita, load factor |
| Consumo elettrico | Misurazioni software o hardware durante training e inferenza |
| Dettagli hardware e infrastrutturali | Tipo di CPU/GPU/acceleratori, configurazioni, localizzazione del calcolo, overhead del data center |
| Informazioni ambientali e metodologiche | PUE, mix energetico, carbon intensity, assunzioni di calcolo, metodi di stima |
Il punto interessante è che il framework europeo distingue tra sviluppo del modello, training, serving/inferenza e integrazione in sistemi. È una scelta sensata, perché misurare l’impatto di un foundation model non equivale a misurare l’impatto di un assistente aziendale che usa quel modello dentro workflow, retrieval, strumenti esterni e orchestrazione agentica.
Non a caso il questionario chiede anche se le organizzazioni siano in grado di separare l’energia usata dal modello base da quella aggiuntiva dovuta a tool calling, retrieval o server MCP. È un dettaglio tecnico, ma ha implicazioni forti: nelle architetture AI più complesse il consumo non dipende solo dal modello, ma dalla catena applicativa che lo circonda.
La vera sfida: comparare cose molto diverse
La parola chiave della consultazione non è soltanto “misurare”, ma normalizzare. La Commissione chiede infatti di valutare quali indicatori di performance siano adeguati per confrontare efficienza ed emissioni in relazione a compiti diversi. Un modello può consumare meno, ma anche offrire qualità inferiore, più latenza o minore accuratezza. Senza una relazione tra prestazione ed energia, il confronto rischia di essere fuorviante.
Per questo il questionario cita benchmark e indicatori come MLPerf Inference, HELM o ImageNet, e chiede quali metriche contino davvero per utenti e clienti: latenza, time-to-solution, accuratezza, qualità del risultato, energia per token o per task. Il messaggio è chiaro: l’eventuale etichetta non può ridursi a una fotografia astratta del modello. Deve dire qualcosa di utile sul suo comportamento in contesti d’uso reali.
Qui emerge una prima differenza rispetto alle etichette energetiche tradizionali. Un frigorifero si misura in condizioni relativamente stabili. Un sistema di AI, invece, cambia con prompt, lunghezza dell’output, batch, quantizzazione, routing tra modelli, carichi di rete, tipo di acceleratore, area geografica del data center e composizione del mix elettrico locale. La comparabilità richiede quindi regole comuni di misurazione e, probabilmente, più di un livello informativo.
Perché cloud, data center e mix energetico contano quanto il modello
Nel questionario europeo compaiono elementi che raramente entrano nella comunicazione commerciale dell’AI ma che contano moltissimo nella contabilità ambientale. Tra questi ci sono il PUE del data center, la localizzazione geografica del carico, la carbon intensity del mix elettrico e la distinzione tra emissioni location-based e market-based.
È un passaggio cruciale. Due inferenze eseguite sullo stesso modello possono avere impatti emissivi diversi se girano in regioni con reti elettriche differenti o in data center con diversa efficienza energetica. Per questo Bruxelles vuole capire se i cloud provider rendano accessibili dati come energy use per workload, carbon emissions per job, tipo di hardware usato, regione del data center e perfino i dettagli su certificati rinnovabili, PPA o claim di 24/7 carbon-free energy.
Per le imprese questo apre un fronte nuovo di valutazione fornitori. L’AI procurement non si fermerà più a costo, performance e sicurezza. Potrà includere anche la qualità della telemetria ambientale e la capacità del provider di fornire dati auditabili lungo il ciclo di vita del servizio.
Chi rischia di essere toccato di più
Nel breve periodo il perimetro più esposto è quello dei provider di GPAI, dei cloud provider, degli operatori di data center e delle aziende che servono modelli o li integrano in sistemi proprietari. Sono questi attori a possedere, almeno in parte, i dati necessari per rendere la misurazione plausibile.
Ma gli effetti indiretti possono allargarsi molto. Un’impresa che usa modelli di terzi per customer care, copilots interni, analytics o automazione documentale potrebbe trovarsi a chiedere ai fornitori informazioni oggi poco standardizzate: energia per workload, tipo di acceleratore, regione di esecuzione, strategie di ottimizzazione, stima delle emissioni. Questo vale ancora di più per le organizzazioni che devono allineare AI governance e reporting di sostenibilità.
Cosa può cambiare per il mercato dell’AI
Se il progetto andrà avanti, l’etichetta energetica AI potrebbe produrre almeno quattro effetti di mercato.
Il primo è una spinta verso modelli più piccoli, quantizzati o specializzati, quando la qualità richiesta non giustifica l’uso del modello più grande disponibile. Il secondo è la valorizzazione di hardware e serving stack più efficienti, dagli acceleratori dedicati alle ottimizzazioni software lato inferenza. Il terzo è una maggiore pressione sui cloud provider affinché espongano dati più granulari e verificabili. Il quarto è l’ingresso dell’efficienza AI nei criteri di procurement pubblico e privato.
Non è un dettaglio marginale. Un’etichetta ben progettata può trasformare l’efficienza da obiettivo reputazionale a variabile competitiva. Una mal progettata, al contrario, rischia di generare compliance formale e poca utilità pratica.
I nodi ancora aperti
I problemi aperti sono almeno tre. Il primo riguarda la disponibilità dei dati. Il questionario UE mostra che Bruxelles sa già dove il terreno è fragile: telemetria incompleta, accesso limitato ai dati cloud, qualità non omogenea delle stime, timori di esporre informazioni business-sensitive.
Il secondo riguarda la metodologia. L’energia del training si può stimare anche dal compute utilizzato, ma l’impatto dell’inferenza dipende dal comportamento reale del sistema in produzione. Senza regole robuste su campionamento, benchmarking e reporting, il rischio è confrontare numeri prodotti con criteri diversi.
Il terzo riguarda la governance. Se nascerà un’etichetta, servirà decidere chi valida i dati, con quale frequenza si aggiornano, quale set minimo di disclosure è obbligatorio e come trattare i casi in cui un modello venga riaddestrato, distillato o servito su infrastrutture multiple.
Per le imprese il tema è già operativo
Anche senza obbligo immediato di etichetta, la consultazione UE manda un segnale preciso: l’AI entra nella stagione della misurabilità ambientale. Chi sviluppa o acquista AI può già prepararsi in tre direzioni. La prima è mappare dove avviene davvero il consumo: modello, orchestrazione, retrieval, tool usage, hosting. La seconda è chiedere ai fornitori una telemetria più strutturata. La terza è collegare scelte di architettura e di procurement a indicatori di efficienza, non solo a benchmark di qualità.
La traiettoria europea non è quella di bloccare l’AI, ma di renderla più leggibile, confrontabile e governabile. Se il framework reggerà alla prova dei dati reali, l’etichetta energetica AI potrebbe diventare uno dei tasselli più concreti della seconda fase dell’AI Act: quella in cui la compliance smette di essere solo documentale e comincia a incidere su come i sistemi vengono scelti, serviti e fatti scalare.
